BI avançat: evolució, IA i ROI

Contingut d'ampliació, tret de la IA aplicada al BI

Aquesta pàgina amplia el bloc de Visualització de dades amb continguts que no formen part del repartiment oficial de les 99 hores del currículum (vegeu Programació), tret de la secció "AI-augmented BI el 2025", que sí correspon al contingut oficial 4.2 del RA4 ("Intel·ligència Artificial en l'anàlisi de dades") i es treballa a S58. La resta (evolució del BI, implantació d'un projecte, ROI, casos reals) és ampliació: el professorat la pot tractar com a activitat de reforç segons la disponibilitat horària del grup, en la línia del Bloc 8.

L'evolució del BI

Era 1 — Reporting bàsic (1990-2000): informes predefinits generats per TI a petició dels directius (Crystal Reports, Business Objects).

Era 2 — OLAP i cubs (2000-2010): Data Warehouses tradicionals amb dades en cubs multidimensionals que permeten anàlisi per dimensions (Microsoft Analysis Services, Cognos).

Era 3 — Self-service BI (2010-2020): eines com Tableau, QlikView i Power BI posen el poder d'anàlisi a les mans dels analistes de negoci, sense dependre de TI per a cada consulta.

Era 4 — AI-augmented BI (2020-2024): la IA entra al BI amb detecció automàtica d'anomalies, forecasting integrat i generació automàtica d'insights.

Era 5 — Conversational BI (2024-2025): BI basat en llenguatge natural: l'usuari pregunta en català i el sistema genera la visualització correcta (Tableau Pulse, ThoughtSpot Sage, Microsoft Fabric amb Copilot).

Eina	Model	Ideal per
Power BI	Llicència	Empreses Microsoft — DAX, Copilot
Tableau	Llicència	Enterprise, analistes avançats
Metabase	Open source	Startups, equips tècnics (ja treballat en aquest bloc)
Apache Superset	Open source	Dades en cloud, molt configurable

AI-augmented BI el 2025

Power BI Copilot (Microsoft Fabric) genera mesures DAX i visualitzacions a partir de llenguatge natural: "Crea una mesura que calculi el creixement any a any per categoria" genera automàticament YoY Growth = DIVIDE([Sales Current Year] - [Sales Prior Year], [Sales Prior Year]).

Tableau Pulse genera automàticament insights personalitzats: detecta anomalies en les mètriques seguides per l'usuari i les explica en llenguatge natural ("Les vendes de novembre han baixat un 8% respecte a l'octubre, principalment per la categoria Electrònica").

ThoughtSpot és una plataforma de search-based analytics: l'usuari cerca ("vendes per categoria el darrer trimestre ordenat per creixement") i el sistema interpreta la consulta, l'executa i presenta els resultats. SpotIQ analitza automàticament totes les mètriques i genera insights proactius.

Looker Studio + Gemini incorpora IA per generar resums automàtics de dashboards, recomanar visualitzacions i detectar tendències.

Novetat 2026: Fabric IQ i el botó Summarize

Microsoft ha ampliat Copilot el 2026 amb Fabric IQ, una capa que centralitza com els usuaris "conversen" amb les seves dades a través de Power BI i, progressivament, de la resta de Fabric (data agents, ontologies). Un exemple molt concret que es pot provar directament sobre qualsevol informe: el botó Summarize a la cinta de Power BI Service genera, amb un sol clic, un resum de tot l'informe en llenguatge natural (tendències principals, canvis destacats), sense necessitat d'escriure cap prompt.

AC5074/07/09 — Miniactivitat

Sobre el dashboard construït a PR507407 (o el de PR507402/Metabase):

Tria una de les quatre eines d'IA descrites (Copilot, Tableau Pulse, ThoughtSpot o Looker Studio + Gemini) i explica, amb un exemple concret del teu propi dashboard, quina tasca hi automatitzaria (generar una mesura, detectar una anomalia, respondre una pregunta en llenguatge natural...).
Identifica un risc concret d'aquesta automatització (per exemple: una mesura DAX generada per IA que sembla correcta però conté un error de context de filtre; un insight automàtic que confon correlació amb causalitat). Com el detectaries abans de presentar-lo a direcció?
Raona si, per al teu dashboard concret, aquesta eina d'IA estalviaria temps real o només trasllada la feina de "construir la mesura" a "validar que la mesura generada és correcta".

Lliurament: resposta breu (mitja pàgina), entregada al Campus Virtual.

Implantació d'un projecte de BI

Fase 1 — Descobriment (2-4 setmanes): entrevistes amb stakeholders, inventari de fonts, definició de KPIs, avaluació de la qualitat de dades actuals.

Fase 2 — Disseny (2-3 setmanes): arquitectura del Modern Data Stack, model de dades (Star Schema o Data Vault), prototip de dashboards, SLAs del pipeline.

Fase 3 — Construcció (4-12 setmanes): connectors d'ingestió, models dbt, dashboards inicials, tests de qualitat.

Fase 4 — Validació (2-4 setmanes): pilot amb usuaris clau, validació de xifres amb comptabilitat/operacions.

Fase 5 — Formació i adopció (contínua): formació d'usuaris, documentació dels dashboards, iteració basada en feedback.

Change management

La causa principal del fracàs dels projectes de BI no és tècnica, és la resistència al canvi: qui portava anys generant informes manualment a Excel pot veure el nou sistema com una amenaça. Estratègies clau: involucrar els usuaris des del principi, publicar quick wins visibles en 2-3 setmanes, identificar champions interns a cada departament, i no eliminar bruscament els informes Excel fins que el nou sistema tingui confiança total.

ROI del BI

El ROI (Return on Investment) del BI és difícil de calcular directament, però hi ha mètodes pràctics:

Temps estalviat: hores humanes estalviades en generació manual d'informes.
Velocitat de decisió: temps entre que es genera una dada i que es pren una decisió basada en ella.
Reducció d'errors: incidents evitats per decisions basades en dades correctes i actualitzades.

Casos reals

Zara (Inditex): el sistema BI permet als compradors veure en temps real quins productes es venen a quines botigues; cada dimecres i divendres es fan comandes basades en vendes de les darreres 48 hores, reduint el cicle disseny-producció-botiga a 2 setmanes davant les 6 de la competència.

Mercadona: el sistema de previsió de demanda analitza vendes, meteorologia, calendari festiu i tendències estacionals per optimitzar comandes als proveïdors, reduint el malbaratament alimentari en un 20%.

SEAT (Volkswagen Group): integra dades de producció, qualitat, logística i vendes; el dashboard en temps real de la línia de producció permet identificar colls d'ampolla en minuts, reduint un 15% les aturades de línia no planificades.

Pipeline BI complet, d'extrem a extrem

flowchart LR
    subgraph Fonts["Fonts de Dades"]
        ERP[ERP]
        CRM[CRM]
        Web[Analytics Web]
    end

    subgraph Ingesta["Ingesta"]
        Airbyte[Airbyte]
    end

    subgraph Lake["Data Lake"]
        S3[Object Storage]
    end

    subgraph Warehouse["Data Warehouse"]
        DW[Snowflake / BigQuery]
    end

    subgraph Transform["Transformació"]
        dbt[dbt]
    end

    subgraph BI["Visualització BI"]
        Metabase[Metabase]
        PowerBI[Power BI]
    end

    Fonts --> Ingesta
    Ingesta --> Lake
    Lake --> DW
    DW --> dbt
    dbt --> BI

Bloc 7 | Mòdul M5074 Sistemes de Big Data | Institut Sa Palomera (Blanes) | Curs CEIABD 2026-2027